[發明專利]一種基于Densenet的卷積神經網絡手指靜脈識別方法

在審

• 申請號: 202110541779.8
• 申請日: 2021-05-18
• 公開（公告）號: CN113435249A
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 喬金龍;張莉君;李鵬輝;王祥國
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于Densenet的卷積神經網絡手指靜脈識別方法，其特征在于：包括以下步驟：

S1：建立手指靜脈圖像數據庫，并對該圖像數據庫中的所有手指靜脈圖像進行批量預處理；

S2：引入密集網絡Densenet構建全連接的手指靜脈圖像識別深度神經網絡，使用Imagenet初始化權值對該手指靜脈圖像識別深度神經網絡進行遷移學習；

S3：根據從步驟S1所建立的圖像數據庫中分別得到訓練集、驗證集和測試集，加載訓練集中的數據訓練手指靜脈圖像深度神經網絡，建立和使用驗證集修正手指靜脈圖像特征提取學習模型；

S4：模型經測試集測試后，使用分類識別評估指標來衡量手指靜脈圖像特征提取學習模型的性能，直到測試結果達到預設的識別效果，則結束訓練，得到最終的手指靜脈圖像特征提取學習模型；

S5：將實際獲得的手指靜脈圖像輸入到最終的手指靜脈圖像特征提取學習模型中，得到手指靜脈圖像的特征矩陣，從而利用該特征矩陣完成手指靜脈的識別。

2.如權利要求1所述的一種基于Densenet的卷積神經網絡手指靜脈識別方法，其特征在于：步驟S1中，所述預處理包括ROI興趣區域提取和圖像均衡化及歸一化處理。

3.如權利要求2所述的一種基于Densenet的卷積神經網絡手指靜脈識別方法，其特征在于：所述ROI興趣區域提取處理采用sobel算子邊緣檢測和中線計算相結合的方法。

4.如權利要求2所述的一種基于Densenet的卷積神經網絡手指靜脈識別方法，其特征在于：所述圖像均衡化處理采用的對比度限制自適應直方圖均衡方法。

5.如權利要求1所述的一種基于Densenet的卷積神經網絡手指靜脈識別方法，其特征在于：步驟S2中，所述手指靜脈圖像識別深度神經網絡框架的改進點在于，該手指靜脈圖像識別深度神經網絡框架的層與層之間采用全連接的形式，密集連接塊均接受前面所有層的輸出，以建立不同層之間的連接關系，激活函數選用RELU，用于減輕梯度消失的情況，使用SGD隨機梯度下降法來快速優化參數，使用交叉熵的方式來計算損失值，用softmax作為最終的分類層輸出。

6.如權利要求1所述的一種基于Densenet的卷積神經網絡手指靜脈識別方法，其特征在于：步驟S3中，首先使用Imagenet初始化權值對所述手指靜脈圖像識別深度神經網絡進行遷移學習，再使用訓練集訓練手指靜脈圖像深度神經網絡，最后使用驗證集來進行計算損失值并優化手指靜脈圖像特征提取學習模型參數。

7.如權利要求1所述的一種基于Densenet的卷積神經網絡手指靜脈識別方法，其特征在于：步驟S4中，使用測試集對所述手指靜脈圖像特征提取學習模型進行測試，所使用的評價指標有FAR-FRR曲線、FPR-TPR曲線和相似度距離分布圖，FAR-FRR曲線的橫縱坐標交點的EER值越小說明手指靜脈圖像特征提取學習模型的性能越好，由FPR-TPR曲線組成的ROC曲線，該曲線下的面積越大代表性能越好，相似度距離分布圖的正負樣本越分散代表手指靜脈圖像特征提取學習模型的可分性越強。